Está en la página 1de 70

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

Mariano Alc antara Eduardo Daniel 21 de julio del 2007

Resumen La detecci on temprana de la insolvencia o el conocimiento de las condiciones que pueden conducir a ella, para los inversionistas de bonos y acciones es importante por la necesidad de protegerse debido a las consecuencias de las insolvencias de dichas empresas Es as que se necesita de modelos de predicci on para dar estabilidad al mercado de valores y productos, pues de lo contrario se tendr a p erdidas econ omicas. Este trabajo de tesis pretende determinar que modelo de red neuronal de entre los propuestos pronostica con mayor precisi on la solvencia empresarial.

Indice general
1. INTRODUCCION 1.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Justicacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. FORMULACION DEL PROBLEMA 2.1. Planteamiento del Problema . . . . . 2.1.1. Problema principal . . . . . . 2.1.2. Problemas secundarios . . . . 2.2. Objetivo de la Investigacion . . . . . 2.2.1. Objetivo general . . . . . . . 2.2.2. Objetivos espec cos . . . . . 6 6 6 7 7 7 7 9 9 9

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

3. ANTECEDENTES Y MARCO TEORICO 3.1. Antecedentes . . . . . . . . . . . . . . . . . . 3.2. Marco te orico conceptual . . . . . . . . . . . . 3.2.1. Insolvencia . . . . . . . . . . . . . . . . 3.2.2. Reacci on del Mercado de Valores ante de insolvencia . . . . . . . . . . . . . . 3.2.3. Ratios Financieros . . . . . . . . . . . 3.3. Marco te orico instrumental . . . . . . . . . . . 3.3.1. Miner a de datos . . . . . . . . . . . . 3.3.2. Redes neuronales articiales . . . . . .

. . . . . . los . . . . . . . . . .

10 . . . . . . . 10 . . . . . . . 10 . . . . . . . 10 problemas . . . . . . . 14 . . . . . . . 14 . . . . . . . 15 . . . . . . . 15 . . . . . . . 21

4. METODOLOGIA DE LA INVESTIGACION 31 4.1. Tipo de Investigacion . . . . . . . . . . . . . . . . . . . . . . . 31 4.2. Tipo de Dise no . . . . . . . . . . . . . . . . . . . . . . . . . . 31

DE LA INVESTIGACION 5. DISENO 5.1. Objeto de la Investigacion . . . . . . 5.2. Poblacion . . . . . . . . . . . . . . . 5.2.1. Tama no de la Poblacion . . . 5.3. Muestreo . . . . . . . . . . . . . . . . 5.3.1. T ecnica de Muestreo . . . . . 5.4. Variables . . . . . . . . . . . . . . . . 5.4.1. Variables Independientes . . . 5.4.2. Variables Dependientes . . . . 5.5. Instrumentos de Medicion . . . . . . 5.6. Dise no del Experimento . . . . . . . 5.7. Hipotesis . . . . . . . . . . . . . . . . 5.8. Modelo de Soluci on . . . . . . . . . . 6. PLANIFICACION 6.1. Cronograma de Trabajo . . . . . 6.1.1. Entregables por etapa . . 6.1.2. Estructura Desglosable del 6.2. Presupuesto de la Investigaci on .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

32 32 32 32 33 33 35 35 36 38 38 38 40 56 56 56 58 58

. . . . . . . . . . Trabajo . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

7. CONCLUSIONES 60 7.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 7.2. Trabajos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . 60 A. Fuente de Datos de los Estados Financieros de las Empresas registradas en la CONASEV 63

Indice de cuadros
3.1. Funci on de transferencia . . . . . . . . . . . . . . . . . . . . . 25

Indice de guras
2.1. Monto Total negociado( en millones de d olares en la Bolsa de Valores de Lima por el mercado secundario desde 1996 hasta el 2005). Fuente: Bolsa de Valores de Lima . . . . . . . . . . . . . 3.1. 3.2. 3.3. 3.4. 3.5. Ratios nancieros . . . . . . . . . . . . . . . . . . . . . . . . Nomenclatira . . . . . . . . . . . . . . . . . . . . . . . . . . Balance General . . . . . . . . . . . . . . . . . . . . . . . . . Estado de Ganancias y P erdidas . . . . . . . . . . . . . . . . Clasicaci on por solvencia(capacidad de pago). Fuente: Standard & Poors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6. Proceso de Miner a de datos . . . . . . . . . . . . . . . . . . 3.7. Comparaci on entre red neuronal biol ogica(a) y articial(b) . 3.8. Modelo gen erico de una neurona articial . . . . . . . . . . . 3.9. Arquitectura de una red neuronal . . . . . . . . . . . . . . . 3.10. Aprendizaje Supervisado de las RNA . . . . . . . . . . . . . 3.11. Aprendizaje no supervisado de las RNA . . . . . . . . . . . 3.12. Esquema de funcionamiento de un algoritmo gen etico . . . . 5.1. Objeto de Investigaci on . . . . . . . . . . . . . . . . . . . . . 5.2. Empresas registradas en la CONASEV. Fuente: Bolsa de Valores de Lima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Clasicaci on por solvencia(capacidad de pago). Fuente: Standard & Poors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4. Instrumento de Medici on . . . . . . . . . . . . . . . . . . . . 5.5. Dise no del Experimento . . . . . . . . . . . . . . . . . . . . 5.6. Modelo de Soluci on . . . . . . . . . . . . . . . . . . . . . . . 5.7. Dise no Experimental . . . . . . . . . . . . . . . . . . . . . . 5.8. Balance General . . . . . . . . . . . . . . . . . . . . . . . . . 5.9. Estado de Ganancias y P erdidas . . . . . . . . . . . . . . . . 4 . . . . . . . . . . . .

8 16 17 18 19 20 22 23 24 26 26 27 30

. 33 . 34 . . . . . . . 37 38 39 41 42 49 50

5.10. Registro 5.11. Registro 5.12. Registro 5.13. Registro 5.14. Registro 5.15. Registro

de de de de de de

Ratios Financieros . . . . . . . . . . . . . Clasicaci on de Empresas Real . . . . . . Ratios Financieros(patrones) . . . . . . . Pesos y Error del Modelo . . . . . . . . . Clasicaci on de Empresas por el Modelo Error de Clasicaci on . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

51 52 53 54 55 55

6.1. Diagrama de Gantt Detallado . . . . . . . . . . . . . . . . . . 57 6.2. Estructura Desglosable de Trabajo . . . . . . . . . . . . . . . 58 6.3. Presupuesto de la Investigaci on . . . . . . . . . . . . . . . . . 59 A.1. A.2. A.3. A.4. A.5. P agina web de CONASEV . . . . . . . . . . . Informaci on Financiera por empresa . . . . . . Informaci on Financiera individual . . . . . . . Balance general de la empresa seleccionada . . Estado de Ganancias y P erdidas de la empresa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . seleccionada . . . . . 64 65 66 66 67

Cap tulo 1 INTRODUCCION


1.1. Introducci on

La informaci on sobre la clasicaci on por solvencia de las empresas en el presente y futuro para los inversionistas es muy importante debido a que en los proyectos de inversi on se tiene el riesgo de perder el monto invertido debido a la insolvencia, por lo que es necesario una herramienta que ayude a pronosticar la solvencia empresarial. Este trabajo de tesis est a organizado de la siguiente manera : Cap tulo 2 presenta la Formulaci on del Problema tanto el Planteamiento como los objetivos de la investigaci on. Cap tulo 3 presenta los Antecedentes y el Marco Te orico. Cap tulo 4 la Metodolog a del a Investigaci on. Cap tulo 5 presenta el Dise no de la Investigaci on. Cap tulo 6 presenta la Planicaci on y nalmente el Cap tulo 7 presenta las Conclusiones.

1.2.

Justicacion

La informaci on sobre la solvencia empresarial de las empresas registradas en la CONASEV es importante porque ayuda a los inversionistas a tomar decisiones. Generalmente la clasicaci on por solvencia de las empresas se realiza anualmente por empresas clasicadoras de riesgo, las cuales venden esta informaci on a quien se las solicite, no clasicando a todas , s olo las m as importantes, debido a la limitaci on de recursos y tiempo. Entonces una herramienta que ayudar a a esta labor reduciendo costos y tiempo considerando s olo las variables cuantitativas ser an los modelos de predicci on 6

Cap tulo 2 FORMULACION DEL PROBLEMA


2.1.
2.1.1.

Planteamiento del Problema


Problema principal

El problema en los proyectos de inversi on en valores, a trav es 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 predicci on que clasicar an a dichas empresas por solvencia a trav es de regiones de decisi on, por lo que clasicar a incorrectamente algunas empresas. Entonces es necesario tener un modelo de predicci on con la mayor precisi on (menor porcentaje incorrecto de clasicaci on). Pues el riesgo inuye en el monto total negociado, que ha ido disminuyendo desde 1997 hasta el 2003(ver gura 2.1 ), por el mercado secundario 1

2.1.2.

Problemas secundarios

El n umero de empresas registradas en la CONAVEV es de 258 en el 2006, por lo que un an alisis de su solvencia por parte de expertos tomar a mucho tiempo y tendr a un alto costo.
1

El mercado secundario es aquel donde se negocian valores que ya han sido emitidos.

Figura 2.1: Monto Total negociado( en millones de d olares en la Bolsa de Valores de Lima por el mercado secundario desde 1996 hasta el 2005). Fuente:
Bolsa de Valores de Lima

2.2.
2.2.1.

Objetivo de la Investigacion
Objetivo general

El objetivo de la investigaci on es determinar que modelo de entre los propuestos de redes neuronales pronostica con mayor precisi on (menor porcentaje incorrecto de clasicaci on) la solvencia de las empresas registradas en la CONASEV.

2.2.2.

Objetivos espec cos

Identicar las condiciones en la que el modelo de predicci on es id oneo. Seleccionar los ratios nancieros que poseen mayor capacidad predictiva. Seleccionar la data correcta de la muestra mediante t ecnicas de miner a de datos(limpieza, normalizaci on).

Cap tulo 3 ANTECEDENTES Y MARCO TEORICO


3.1. Antecedentes

Para la predicci on de la solvencia empresarial se han desarrollado diversos modelos, donde casi siempre se comparan los modelos de redes neuronales con estad sticos. De los resultados se tiene que generalmente el modelo de red neuronal posee mayor precisi on, aunque existen casos en los que los modelos estad sticos los igualan o superan ligeramente.

3.2.
3.2.1.

Marco te orico conceptual


Insolvencia

Es el estado econ omico-nanciero en el cual una persona natural o jur dica independientemente de su actividad, ha sufrido una p erdida considerable de parte de su patrimonio o se encuentra impedida de afrontar temporal o denitivamente el pago de sus obligaciones. En Per u la Declaraci on de Insolvencia (hoy llamada Procedimiento Concursal Ordinario - Ley 27809) puede ser solicitada por el propio deudor o por su(s) acreedor(es) . En caso de ser solicitado por el o los acreedores la nueva ley del sistema concursal exige que el acreedor acredite que m as de 1/3 de sus obligaciones se encuentran vencidas e impagas por m as de 30 d as; o que tenga p erdidas acumuladas, deducidas reservas, cuyo importe supere 1/3 del capital social pagado. 10

Paper Sistema [1] Perceptr on Multicapa

[2]

[3]

[4]

[5]

Caracter sticas y Resultados Estos autores construyen una red perceptron con varias capas y la utilizan para predecir la insolvencia de bancos comerciales,. Consideran para el aprendizaje una muestra formada por 1.008 bancos, de los cuales 102 eran insolventes, y utilizando una muestra de validaci on para comprobar los resultados, la cual estaba formada por 1.059 bancos, siendo insolventes 131 de ellos. Comparan los resultados obtenidos con los del tradicional an alisis logit, obteniendo que el perceptron multicapa es ligeramente Perceptr on Se aborda la solvencia empresarial desde el punto de vista multicapa de la predicci on de la calicaci on que la agencia de rating Moodys otorga a las obligaciones de una serie de compa n as telef onicas americanas. El resultado m as llamativo es que con una red neuronal relativamente sencilla, de s olo cinco neuronas en la capa oculta, se obtienen resultados claramente superiores a los que proporciona el an alisis discriminante. Perceptron Estudian el problema de la predicci on del fracaso emunicapa, presarial utilizando informaci on de empresas industriales multicapa americanas correspondiente al periodo 1975-1982. Consideran diversos modelos de redes neuronales y los comparan con el an alisis discriminante, llegando a la conclusi on de que los modelos neuronales son superiores. Sistema Este modelo, conocido como PCML (Public Company h brido de Loan Model) es un sistema informatico que ha sido desarperceptr on rollado por el Chase Manhattan Bank, entidad nanciera multicapa y que ha realizado una apuesta muy fuerte en el elaboherramientas raci on de un modelo informatizado que sirva de ayuda estad sticas. para la toma de decisiones de concesi on de cr edito, a trav es del suministro de extensos informes, gr acos, puntos fuertes y d ebiles y una clasicaci on de las empresas seg un el cr edito que merecen. Perceptr on Al igual que en el de Surkan y Singleton, se estudia el multicapa problema de la calicaci on de obligaciones, aunque empleando para ello las otorgadas por Standard & Poors. Los autores comparan un modelo de perceptron multicapa con la regresi on lineal, siendo claramente superior la red neuronal. 11

Paper Sistema [6] Fuzzy ARTMAP

[7]

Perceptr on multicapa

[8]

Perceptr on multicapa

Caracter sticas y Resultados Estos autores utilizan un modelo complejo de red neuronal supervisada para el an alisis de la crisis del sector bancario espa nol de los a nos ochenta, a partir de los datos del trabajo anterior de uno de sus autores, Rodr guez (1989). Comparan su sistema con diferentes modelos estad sticos, siendo los resultados favorables al modelo neuronal. Emplean diversos modelos de perceptr on multicapa . Las redes perceptr on construidas alcanzan notables resultados con la ventaja a nadida de estar caracterizadas por un dise no relativamente sencillo ya que, por ejemplo, una red con solo 9 neuronas en la capa de entrada, 10 en una capa oculta, y una en la capa de salida (9*10*1) consigue casi un 90 % de clasicaciones correctas en la muestra devalidaci on. Comparan los resultados del empleo de redes con los del an alisis discriminante, que es la t ecnica que la Centrale emple o para la elaboraci on del Sistema de Diagn ostico, que despu es distribuy o entre los bancos aliados a su sistema de informaci on. Los autores concluyen que las redes neuronales no son claramente superiores al an alisis discriminante, y recomiendan que en el dise no de sistemas de alerta se emplee una combinaci on de modelos neuronales y estad sticos. Tambi en hallan evidencia de que con una red de redesque combina los resultados de una serie de redes m as peque nas se obtienen mejores resultados que con una sola red de arquitectura compleja. Asimismo, alertan del peligro que supone la no interpretabilidad del modelo neuronal, puesto que ante patrones no presentes en la fase de entrenamiento de la red, esta puede comportarse de forma il ogica, debido a las m ultiples variables que incorpora combinadas de una forma compleja.

12

Paper Sistema [9] Red CASCOR

[10]

Perceptr on multicapa

[11]

Perceptr on multicapa

[12]

Perceptr on multicapa

[13]

Perceptr on multicapa

Caracter sticas y Resultados Se us o un modelo innovador de red perceptr on que en lugar de la retropropagaci on utiliza el metodo CASCOR (Cascade Correlation) como algoritmo de aprendizaje. Con este m etodo se determina la estructura de la red a trav es de la inserci on de capas ocultas en funci on de los datos de la muestra. Los resulatos fueron que se obtuvo una red neuronal con mayor precisi on. Utiliz o informaci on contable procedente de los Registros Mercantiles de la Comunidad Valenciana, a nos 1992, 1993 y 1994, para el pron ostico de las situaciones de quiebra y suspension de pagos en las empresas no nancieras, a trav es de un perceptr on con tres capas de neuronas. Basaron su estudio en sociedades americanas, extra das de la lista de compa n as quebradas de la SEC, y elaboran un perceptr on con dos capas ocultas de neuronas. Concluyen que el modelo logit es superior a las redes neuronales para predecir la quiebra. Se modeliza el impago de pr estamos concedidos a particulares por una entidad bancaria utilizando una red perceptron entrenada a trav es de la retropropagaci on y se comparan sus resultados con los del an alisis logit, resultando ligeramente superior el modelo neuronal. A trav es de un modelo muy sencillo, con cuatro neuronas en una u nica capa oculta, se aborda el problema de la predicci on de la insolvencia. Los resultados indican que la red neuronal alcanza resultados tan buenos como los de un modelo probit o como los pron osticos de los auditores.

13

3.2.2.

Reacci on del Mercado de Valores ante los problemas de insolvencia

Se muestran algunos estudios de la reacci on del Mercado de Valores ante situaciones de insolvencia, resultando por lo general una respuesta negativa Clark y Weinstein (1983): Encuentran evidencia de p erdidas de valor para los accionistas para largos periodos previos a la declaraci on de insolvencia, con p erdidas medias acumuladas del 94.9 % en los tres a nos anteriores a la declaraci on, aunque la principal reacci on negativa se produce justo antes de la declaraci on de insolvencia. Tambi en encuentran que el mercado reacciona de manera diferente ante el tipo de procedimiento concursal y la situaci on de la empresa, aunque estos resultados no son concluyentes por el reducido tama no de la muestra en esos casos. Datta e Iskandar Datta (1980-1989): Analizan el efecto de la declaraci on de insolvencia sobre las acciones y los t tulos de deuda. La reacci on de las acciones es negativa y signicativa, pero las distintas clases de acreedores reaccionan de diferente manera, no existiendo reacci on por parte de los acreedores asegurados, mientras que los ordinarios y los que poseen deuda convertible experimentan rentabilidades negativas. Adem as, comprueban que la duraci on y complejidad del procedimiento ejercen una inuencia negativa sobre la reacci on de todos los t tulos, y la importancia del endeudamiento como factor que facilita el mantenimiento de valor de la empresa.

3.2.3.

Ratios Financieros

Los Ratios Financieros son razones que proporcionan unidades contables y nancieras de medida y comparaci on, a trav es de las cuales, la relaci on (por divisi on) entre s de dos datos nancieros directos, permiten analizar el estado actual o pasado de una organizaci on. Los ratios nancieros se clasican en [?]: 1. Liquidez: Indican la habilidad de la empresa para hacer frente a sus deudas de corto plazo y la facilidad con la que puede desprenderse de sus activos. 14

2. Rentabilidad: Permite analizar y evaluar las ganancias de la empresa con respecto a un nivel dado de ventas, de activos o la inversi on de los due nos. 3. Rotaci on: Indican la actividad de la empresa con respecto al ciclo de cobranzas, inventario, etc . 4. Endeudamiento: Indica el modo de nanciamiento de una empresa. A continuaci on de muestran los ratios nancieros a usar(ver gura 3.1 ), adem as se muestra su nomenclatura(ver gura 3.2 ) Los ratios nancieros son calculados a partir del Balance General(ver gura 3.3 ) y el Estado de Ganancias y p erdidas(ver gura 3.4 ). Clasicaci on por solvencia Existen empresas que poseen su escala de evaluaci on para clasicar a las empresas por solvencia, una de ellas es Standard & Poors, que usa la siguiente escala y sobre la cual se tomar a como referencia para evaluar a las empresas(ver gura 5.3 ).

3.3.
3.3.1.

Marco te orico instrumental


Miner a de datos

Miner a de datos es el proceso que a trav es del descubrimiento y cuanticaci on de relaciones predictivas en los datos, permite transformar la informaci on disponible en conocimiento u til [14]. Este proceso consiste en(ver gura 3.6 ): 1. Muestreo y Selecci on : El muestreo es una manera de seleccionar las instancias. La selecci on de caracter sticas consiste en elegir los atributos que sean relevantes para una aplicaci on, pues a menos datos los algoritmos aprenden con mayor rapidez. 2. Limpieza de datos: Consiste en resolver los problemas que se presentan en los datos como ruido, valores perdidos y eliminar outliers1
Son datos con caracter sticas que son considerablemente diferentes de la mayor a de los otros datos del conjunto.
1

15

Figura 3.1: Ratios nancieros

16

Figura 3.2: Nomenclatira

17

18

Figura 3.3: Balance General

Figura 3.4: Estado de Ganancias y P erdidas

19

Figura 3.5: Clasicaci on por solvencia(capacidad de pago). Fuente: Standard &


Poors

20

3. Transformaci on de datos: Consiste en consolidar los datos de forma apropiada para un mejor procesamiento por la t ecnica que se aplicar a, para lo cual se discretiza, agrupa o normaliza el dominio de la variable. 4. Modelado: Consiste en descubrir patrones entre las variables mediante la aplicaci on de t ecnicas de modelado como redes neuronales, clasicadores bayesianos, arboles de decisi on, etc. 5. Interpretaci on y Evaluaci on: Consiste en evaluar el resultado de los modelos mediante medidas de performance de las estimaciones como el MAPE, MSE , etc.

3.3.2.

Redes neuronales articiales

Red neuronal articial(RNA) Es un modelo que trata de simular a una red neuronal biol ogica [15](ver gura 3.7 ) bas andose en: La informaci on se procesa en elementos simples llamados neuronas Las se nales o inputs, xi, i = 1, 2,...,n; se transmiten entre las neuronas a trav es de conexiones. Cada conexi on tiene asociado un peso wij que representa la intensidad de la se nal recibida correspondiente al input i en la neurona j. La mayor o menor intensidad de cada input representa la inuencia del mismo en el resultado nal. Cada neurona j suma todas las se nales recibidas, wij* xi procedentes de otras neuronas y las transforma mediante una funci on de activaci on f, generalmente no lineal, para determinar la se nal de salida output, que transmite a otras neuronas, donde el proceso se repite. Finalmente, tras la interacci on de las neuronas que componen la red, la se nal o respuesta de la red se transmite al exterior. Cada neurona j suma todas las se nales recibidas, wij* xi procedentes de otras neuronas y las transforma mediante una funci on de activaci on 21

22 Figura 3.6: Proceso de Miner a de datos

Figura 3.7: Comparaci on entre red neuronal biol ogica(a) y articial(b)

23

Figura 3.8: Modelo gen erico de una neurona articial f, generalmente no lineal, para determinar la se nal de salida output, que transmite a otras neuronas, donde el proceso se repite. Finalmente, tras la interacci on de las neuronas que componen la red, la se nal o respuesta de la red se transmite al exterior. Para procesar la informaci on las neuronas se organizan en capas: la capa de entrada transmite las variables input utilizadas, la capa de salida presenta el output nal y entre medias pueden existir una o m as capas ocultas que procesan la informaci on. Modelo de una neurona articial Entradas: xj = {x1 , x2 . . . , xn } Pesos: wij = {w12 , w12 . . . , wn1 } Regla de propagaci on 2 : net = 1 (wij , xj (t)) Funci on de activaci on o Transferencia 3 (ver tabla 3.1 ) : f (net(t)) Funci on de salida4 : (f (net(t))) Arquitectura de las RNA Las neuronas se encuentran organizadas en distintas capas(ver gura ?? ):
Lo usual es usar la forma lineal, pero existen otras posibilidades La funci on m as usada es la sigmoidea. 4 Por lo general es la funci on identidad, pero puede ser otra, por ejemplo la funci on escal on
3 2

24

Funci on de Activaci on Lineal Escal on

Lineal a tramos sigmoidea Gaussiana Sinusoidal

Ecuaci on f (a) = a 1 si a 0, f (a) = 0, si a < 0. si a < 0, 0, f (a) = a, si 0 a 1 1, si a > 1 f (a) = 1+1 ea 2 f (a) = ea f (a) = sin a

Cuadro 3.1: Funci on de transferencia Capa de entrada: Recibe los inputs del exterior. En esta capa normalmente no se procesan las se nales recibidas sino que estas son enviadas a la capa siguiente. Capas ocultas: Las neuronas de estas) capas transforman la se nal recibida y la env an a la capa de salida. Capa de salida: Una vez la red ha transformado la se nal, esta capa env a la respuesta al exterior. Las neuronas de esta capa realizan una nueva transformaci on de la se nal recibida por la capa(s) oculta(s). Tipos de Aprendizaje de las RNA Aprendizaje supervisado: Los datos para el entrenamiento est an constituidos por un grupo de pares de patrones entrada-salida deseada. Existe un algoritmo encargado de comprobar que la salida de la red coincida con la respuesta deseada, si nalmente no es as se deben modicar los pesos de las conexiones para intentar que la salida obtenida se aproxime lo m as posible a la respuesta deseada [16] .(Ver gura 3.10 ) Aprendizaje no supervisado: Se suministran los inputs de entrada, pero la red no recibe ninguna informaci on que le indique cu al es la salida. La red modica los pesos para poder asociar a la misma unidad de salida los vectores de entrada m as similares.(Ver gura 3.11 ). 25

Figura 3.9: Arquitectura de una red neuronal

Figura 3.10: Aprendizaje Supervisado de las RNA 26

Figura 3.11: Aprendizaje no supervisado de las RNA Aprendizaje reforzado: El supervisor se limita a indicar si la salida ofrecida por la red es correcta o incorrecta, pero ni se le indica la cuant a de su error ni la respuesta que deber a dar. Aprendizaje Supervisado por correci on de error Sea: wji = yi (dj yj ) donde: wji : Variaci on en el peso de la conexi on entre las neuronas i y j ( wji = actual anterior wji wji ). yi : Valor de salida de la neurona i. dj : Valor de salida deseado para la neurona j. : Factor de aprendizaje(0 < < 1) que regula la velocidad de aprendizaje. El aprendizaje consiste en ajustar los pesos de las conexiones de la red en funci on de la diferencia entre los valores deseados y los obtenidos en la salida. Mediante la regla delta 5 se logra un aprendizaje m as r apido , cuanticando el error: k J = 1/2( (yj dk j ))
k
5

Tambi en se le conoce como la regla de Widrow-Ho

27

J: Error cometido en el aprendizaje de la informaci on k- esima. Las redes multilayer feed-forward (MLP) Pueden considerarse unos aproximadores funcionales universales, es decir, una red con una u nica capa oculta, puede aproximar hasta el nivel deseado dentro de un conjunto compacto cualquier funci on continua. Algoritmo de Aprendizaje Algoritmo de retropropagaci on: Sea la red neuronal anterior, es decir con funci on de activaci on sigmoidea. Adem as se tiene que: wij = J/wij donde: : Ratio de aprendizaje. 1. Construcci on de la red 2. Inicializaci on aleatoria de pesos de toda la red entre [-0.5,0.5]. 3. Escoger un criterio de determinaci on(n umero m aximo de iteraciones, etc). 4. Contador de iteraciones c=0. 5. Calcular la salida de la red para cada patr on de entrada. 6. Calcular el error total cometido: J 7. Si la condici on de terminaci on se satisface, parar. 8. Incrementar el contador c=c+1. 9. Para cada neurona de salida calcular: n k = (dk yk )f (netk ) donde netk =
i=1 m

wij xi k wjk
i=k

10. Para cada unidad oculta, calcular k = f (netk ) 28

11. Actualizar pesos: wij (c + 1) = j di + wij n Algoritmos Gen eticos Para la selecci on de caracter sticas se usar a un algoritmo gen etico, para lo cual se seguir a el siguiente procedimiento(ver gura 3.12 ).

29

Figura 3.12: Esquema de funcionamiento de un algoritmo gen etico

30

Cap tulo 4 METODOLOGIA DE LA INVESTIGACION


4.1. Tipo de Investigacion

Correlacional, pues el prop osito de esta investigaci on es saber como se comporta la variable dependiente, error de clasicaci on, conociendo el comportamiento de otras variables, llamadas independientes, como el n umero de neurona en la capa oculta, tasa de aprendizaje y algoritmo de aprendizaje.

4.2.

Tipo de Dise no

Experimental, pues se manipular an variables independientes que son los par ametros de la red neuronal las cuales tendr an un impacto sobre la variable dependiente, el error de clasicaci on.

31

Cap tulo 5 DE LA DISENO INVESTIGACION


5.1. Objeto de la Investigacion

Son los registros que contienen los ratios provenientes de los estados nancieros de las empresas registradas en la CONASEV desde el a no 2001 hasta el 2006.(ver gura 5.1).

5.2.

Poblacion

La poblaci on son las empresas registradas en la CONASEV.

5.2.1.

Tama no de la Poblacion

El n umero de empresas registradas en la CONASEV es de 479(en el 2001), 488(en el 2002), 488(en el 2003), 492(en el 2004), 510(en el 2005) y 508(en el 2006 (ver gura 5.2).

32

Figura 5.1: Objeto de Investigaci on

5.3.
5.3.1.

Muestreo
T ecnica de Muestreo
N 2 zpq d2 (N 1) + z 2 pq

La t ecnica de muestreo es probabil stica. Usando la siguiente f ormula1 . n=

donde: N(Tama no de la poblaci on)=258 empresas Corresponde al n umero de empresas en el 2006. z(valor de la distribuci on normal a un 95 % de nivel de conanza)=1.96 p(proporci on esperada)=0.05 Proporci on que maximiza el tama no muestral. q(complemento de p)=1-0.05=0.95 d(error m aximo)=0.03 Par ametro que se ha jado y signica que el promedio de nuestro estimado p con respecto a la poblaci on P no sea >0.03 n(tama no de la muestra)
F ormula que se usa para calcular la muestra y se deduce de P r(Eo E < e) = 1 , donde Pr:Probabilidad, E:Verdadero valor de la variable y que se desea estudiar, E0 : Estad stico de la muestra, 1 : Nivel de conanza
1

33

Figura 5.2: Empresas registradas en la CONASEV. Fuente: Bolsa de Valores de


Lima

34

Donde resulta: n=114 empresas Por lo que el tama no de la muestra para el a no 2006 es de 114 empresas y representa el 44.2 % de la poblaci on.

5.4.
5.4.1.

Variables
Variables Independientes

N umero de neuronas en la capa oculta: Corresponde a la cantidad de neuronas de la capa que transforman la se nal recibida por la capa de entrada y las env an a la capa de salida.2 Valores: 3, 4, 6, 8, 12, 13, 18, 19. Algoritmo de Aprendizaje: Dado el aprendizaje supervisado es un algoritmo que se encarga de comprobar que la salida de la red coincida con la respuesta deseada, si nalmente no es as se deben modicar los pesos de las conexiones para intentar que la salida obtenida se aproxime lo m as posible a la respuesta deseada. Valores: 1. Retropropagacion: Algoritmo f acil de implementar y adem as tiene la exibilidad de adaptarse para aproximar cualquier funci on. 2. Levenberg-Marquardt: Algoritmo que es una modicaci on del m etodo de Newton y demora en mayor medida que otros algoritmos de aprendizaje por iteraci on. Tasa de Aprendizaje : Para el algoritmo de retropropagaci on es el coeciente que determina la rapidez con la cual converge.
Para el c alculo del n umero de neuronas de la capa oculta no existe un criterio optimo, pero se tienen algunas recomendaciones emp ricas 2n + 1 (Lipmann, 1987; Hetch Nielsen, 1990), 2n(Wong, 1991), n(Tang & Fishwick, 1993), n/2(Kang, 1991) donde n es el n umero de neuronas de entrada
2

35

Valores: 0<<1 Epoca: Corresponde al paso de todos los patrones sobre la red neuronal. Valores: Para el algoritmo de aprendizaje retropropagaci on de 100 a 1000. Para el algoritmo de aprendizaje Levenberg-Marquardt de 100 a 200

5.4.2.

Variables Dependientes

eP (error de clasicaci on promedio): Porcentaje promedio que nos indica la incorrecta clasicaci on por solvencia de las empresas. Valores: 0 ep 1
k

ec ep =
i=1

donde : k: N umero de experimentos de la validaci on cruzada. Adem as: n hi ec =


i=1

donde: n: Tama no del subconjunto de la muestra. hi =


p 1, si yi = yi , p 0, si yi = yi .

p yi : Grupo al que pertenece la empresa i seg un el modelo. yi : Grupo al que pertenece la empresa i en realidad.

36

Figura 5.3: Clasicaci on por solvencia(capacidad de pago). Fuente: Standard &


Poors

37

Figura 5.4: Instrumento de Medici on

5.5.

Instrumentos de Medicion

Es el registro que contiene a las variables independientes, intermedias y dependientes. Ver gura 5.4.

5.6.

Dise no del Experimento

En esta secci on se presenta las combinaciones entre los valores de las variables independientes, las cuales dar an origen a los experimentos a realizar.Estas variables independientes son par ametros de los modelos de redes neuronales, los cuales tendr an un efecto a la hora de que el modelo pronostique, midi endose a trav es de la variable dependiente, error del clasicaci on.El n umero de experimentos es el producto del n umero de neuronas en la capa oculta, epocas, algoritmo de aprendizaje y tasa de aprendizaje para el algoritmo de retropropagaci on. Ver gura 5.5

5.7.

Hipotesis

El modelo de red neuronal con algoritmo de aprendizaje de retropropagaci on tiene menor error de clasicaci on que el modelo de red neuronal con algoritmo de aprendizaje Levenberg-Marquardt. 38

Figura 5.5: Dise no del Experimento


l Hi : er c < ec donde: r: Algoritmo de aprendizaje de retropropagaci on. l: Algoritmo de aprendizaje de Levenberg-Marquardt.

La prueba estad stica seleccionada para probar las hip otesis ser a la prueba de proporciones.

Z=

(P1 P2 ) (p1 p2 )
p1 (1p1 ) n1

p2 (1p2 ) n2

donde: Z se distribuye como la normal est andar. p1 : er c p2 : el c n1 : Tama no de la muestra sobre el que se realiz o la prueba por el modelo con algoritmo de aprendizaje de retropropagaci on. n2 :Tama no de la muestra sobre el que se realiz o la prueba por el modelo con algoritmo de aprendizaje de Levenberg-Marquardt .

39

5.8.

Modelo de Soluci on

El modelo de soluci on se muestra en la gura 5.6.

Integraci on de data Para la integraci on de data se usar an los ratios de la gura 3.1, pero para denotarlos se les asignar a variables como x1 , x2 , ...xn . La fuente de datos ser an los Estados Financieros publicados en la CONASEV.Ver ap endice A. Entradas: Balance General: Es un documento que registra el valor monetario de los activos de una empresa, as como tambi en su nanciamiento, es decir los pasivos y patrimonio en un determinado instante del tiempo(ver gura 5.8 ) Estado de Ganancias y P erdidas: Es un documento que registra las operaciones de una empresa en un determinado periodo (ver gura 5.9 ) Salida: Registro de Ratios Financieros(data bruta): Es un registro que contiene el valor de cada uno los ratios nancieros seleccionados para cada empresa(ver gura 5.10 ) Proceso: Se busca integrar en un u nico repositorio los datos provenientes de diferentes y m ultiples fuentes. En este caso se calculan los ratios nancieros usando datos provenientes del Balance General y el Estado de Ganancias y P erdidas. Desde i=1 hasta n hacer Para una empresa i se calcula: AC xi1 = P C P AT xi2 = ACT I1 xi3 = AC UN xi4 = I 1 xij = f (AC, ACT, P C, P N C, ..., U N ) Los ratios que se escoger an son los de la gura 3.1. Limpieza de Data Entrada: Registro de Ratios Financieros(data bruta). 40

Figura 5.6: Modelo de Soluci on 41

Figura 5.7: Dise no Experimental 42

Salida: Registro de Ratios Financieros. Proceso: Consiste en la eliminaci on de datos(valores de ratios nancieros) outliers provenientes de la data bruta para reemplazarlos por la media del valor del ratio nanciero de las empresas en ese a no y obtener la data objetivo.(Ver el siguiente algoritmo) Algoritmo: Par ametros: p:porcentaje en la cual el n umero de observaciones outlier no ser a superior Contadores: i,j,cont Variables: out[]:vector de enteros, o: entero(n umero de outliers), sumaout:real desde j=1 hasta m hacer:
n

xij xj =
i=1 n n

, calculando media

(xij xj )2 S2 = k=
i=1 n 1 p

, calculando varianza

, calculando par ametro k

si xij [xj kS, xj + kS ] out[o] = i, i es el n umero de empresa que tiene un outlier en el ratio j o=o+1 n si desde cont=1 hasta o sumaout = sumaout + xoj n desde desde i=1 hasta n si i = on xij sumaout xij = i=1 n desde
no

, Reemplazando outlier por media.

43

Selecci on de atributos Entrada: Registro de Ratios Financieros Salida: Registro de Ratios Financieros(data objetivo) Proceso: Consiste en la selecci on de atributos que inuyen en el modelo, para as reducir el registro de Ratios Financieros con respecto a los atributos(columnas). Transformaci on de Data Entradas: Registro de Ratios Financieros(data objetivo). Registro de Clasicaci on de Empresas Real(ver gura 5.11 ). Salidas: Registro de Ratios Financieros(data normalizada). Registro de Clasicaci on de Empresas real(data normalizada). Proceso: Consiste en normalizar las variables que son los ratios nancieros. Para obtener valores entre 0 y 1 y permitir un mejor procesamiento por el modelo. Algoritmo: Para el registro de ratios nancieros(data objetivo) desde j=1 hasta m Inicializando variables min = 0, max = 0 Calculando el m aximo valor para el ratio xj max = x1j Desde i=2 hasta n si(xij > max) max = xij n si n desde Calculando el m nimo valor para el ratio xj desde j=1 hasta m min = x1j desde i=2 hasta n si(xij < min) min = xij n si 44

n desde Normalizando la data desde i=1 hasta n x min n desde xij = xmij axmin n desde Para el Registro de Clasicaci on de Empresas desde i=1 hasta n yi = clase(yi ) n desde funci on clase(yi ) seg un sea yi hacer AAA = 0,975 AA+ = 0,925 AA = 0,875 AA = 0,825 A+ = 0,775 A = 0,725 A = 0,675 BBB + = 0,625 BBB = 0,575 BBB = 0,525 BB + = 0,475 BB = 0,425 BB = 0,375 B + = 0,325 B = 0,275 B = 0,225 CCC = 0,175 CC = 0,125 C = 0,075 D = 0,025 n seg un sea

45

Dise no Experimental Ver gura 5.7. Entradas: Registro de Ratios Financieros(data normalizada) Salida: Registro de Error de Clasicaci on(ver gura 5.15 ). Par ametros: Registro de variables independientes Proceso: Consiste en la construcci on de modelos de redes neuronales modicando el n umero de neuronas en la capa oculta, algoritmo de aprendizaje, epocas y tasa de aprendizaje. Generaci on de subconjunto de data(entrenamiento o prueba) Entradas: Registro de Ratios Financieros(data normalizada) Registro de Clasicaci on de Empresas(data normalizada) Salida: Registro de Ratio Financieros(patrones) Proceso: Consiste en dividir el registro en k(par ametro para la validaci on cruzada que indica la divisi on de la data total) partes, donde se toma (k-1)partes para el entrenamiento y k partes para la prueba.Es d decir que se deja afuera la k- esima parte, por lo que se itera hasta acabar con el k- esimo experimento. Red Neuronal Entrada: Registro de Ratios Financieros(patrones)(ver gura 5.12 ). Par ametros: Registro de Variables Independientes(ver gura ?? ). Registro de Pesos y Error(ver gura 5.13). Salida: Registro de Clasicaci on de Empresas(ver gura 5.14 ). Proceso: Selecci on de arquitectura funci on de transferencia(sigmoidal) par ametros: f (x) = 1+1 ex 46

wj 1 = {w11 , w21 . . . , wm1 } peso desde la neurona oculta j hasta la de salida wi j = {w11 , w21 . . . , wnm } peso desde la neurona de entrada i hasta la neurona oculta j Arquitectura(n, m) n=n; m = oi
m n

y = f(
j =1

wj 1 .f (
i=1

wij xij ))

C alculo del Error Entradas: Registro de Clasicaci on de Empresas: Registro de Clasicaci on de Empresas Real. Salidas: Registro de Error de Clasicaci on. Proceso: Si se encuentra en la fase de entrenamiento calcula la diferencia entre el valor real y pronosticado. Si se encuentra en la fase de prueba calcula el error de clasicaci on(n umero de clasicaciones incorrectas). ec (error de clasicaci on): Porcentaje que nos indica la incorrecta clasicaci on por solvencia de las empresas. Valores: 0 ec 1
n

hi ec = donde: n: N umero de registros. hi =


p r 1, si yi = yi , p r 0, si yi = yi . i=1

p yi : Valor pronosticado(calculado)por el modelo de red neuronal. r yi : Valor real.

Reglas de Aprendizaje: 47

Entrada: Registro de Pesos y Error. Salida: Registro de Pesos y Error(actualizado). Proceso: Mediante el algoritmo de aprendizaje actualiza los pesos de las neuronas. Evaluaci on de Modelos Entrada: Registro de Error de Clasicaci on. Salida: Registro de Variable dependiente.(ver gura ?? ) Proceso: Consiste en determinar que modelo de red neuronal de los generados por el experimento tiene mayor precisi on, para lo cual los comparamos a trav es del error de clasicaci on promedio.
k

eij . epi = Donde: eij :Error de Clasicaci on del j- esimo experimento de la Validaci on cruzada del modelo i. k:N umero de experimentos de Validaci on cruzada.
j =1 k

48

Figura 5.8: Balance General

49

Figura 5.9: Estado de Ganancias y P erdidas

50

Figura 5.10: Registro de Ratios Financieros

51

Figura 5.11: Registro de Clasicaci on de Empresas Real

52

Figura 5.12: Registro de Ratios Financieros(patrones)

53

Figura 5.13: Registro de Pesos y Error del Modelo

54

Figura 5.14: Registro de Clasicaci on de Empresas por el Modelo

Figura 5.15: Registro de Error de Clasicaci on 55

Cap tulo 6 PLANIFICACION


6.1. Cronograma de Trabajo

La duraci on del proyecto de tesis es de 113 d as con fecha de inicio martes 07/08/2007 y fecha de t ermino s abado 15/12/2007 , para esto no se considera la parte del dise no de la investigaci on, pues ya se tiene elaborada.A trav es del diagrama de Gantt se observa que la fase de Desarrollo del prototipo y Desarrollo de experimentos tienen mayor duraci on de 22 y 94 d as respectivamente.Ver gura 6.1

6.1.1.

Entregables por etapa

Los entregables del proyecto de tesis son los siguientes: Codicaci on de algoritmos de preprocesamiento de data Al t ermino de esta etapa, se entregan los algoritmos desarrollados en MATLAB para preprocesar la data. Codicaci on de los modelos de redes neuronales Al t ermino de esta etapa, se entregan los modelos de redes neuronales codicados en MATLAB. Integraci on de data Al t ermino de esta etapa, se entrega el registro de ratios nancieros de las empresas, es decir la data bruta con la cual se trabajar a que proviene de diversas fuentes.

56

Figura 6.1: Diagrama de Gantt Detallado

57

Figura 6.2: Estructura Desglosable de Trabajo Limpieza de data Al t ermino de esta etapa, se entrega el registro de ratios nancieros de las empresas libres de outliers y valores nulos. Transformaci on de data Al t ermino de esta etapa, se entrega el registro de ratios nancieros de las empresas cuyos individuos presentan sus variables en el rango de 0 a 1. recolecci on de datos Al t ermino de esta etapa, se entrega el cuadro de resultados del dise no de experimentos. Interpretaci on de los resultados experimentales.

6.1.2.

Estructura Desglosable del Trabajo

La estructura Desglosable del Trabajo EDT o WBS nos muestra la descomposici on del proyecto de tesis en paquetes de trabajo. Ver gura 6.2

6.2.

Presupuesto de la Investigaci on

El presupuesto de la investigaci on es de s/. 32 890.60 , considerando el recurso humano a costo de mercado. ver gura 6.3 58

Figura 6.3: Presupuesto de la Investigaci on

59

Cap tulo 7 CONCLUSIONES


7.1. 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 a no 2001 al 2006, estos se encuentran publicados en la p agina web www.conasev.gob.pe. Adem as el experimento no depende de terceras personas, es repetible y su duraci on es de aproximadamente 3 a 4 meses, s olo se requiere un computador potente. Se justica pues se necesita realizar pron osticos de solvencia empresarial para poseer informaci on que sea lo mayor conable posible con respecto a la solvencia de una empresa en el presente y futuro. Es as que se necesita de modelos de predicci on que ayudan a los inversionistas, pues de lo contrario se tendr an p erdidas econ omicas.

7.2.

Trabajos Futuros

Para los modelos de redes neuronales se han considerado variables cuantitativas como los ratios nancieros, por lo que despu es se pretende incluir variables cualitativas tales como el desempe no del gerente de la empresa y otras que en su momento se evaluar an si se pueden medir. Adem as el modelo de red neuronal obtenido se podr a comparar con otros modelos como el ARIMA.

60

Bibliograf a
[1] Bell T.B.; Ribar G.S. and Verchio J.R. Neural nets versus logistic regression: a comparison of each models ability to predict commercial bank failures. Deloitte and Touche University of Kansas Symposium on Auditing Problems , 2953, 1990. [2] Surkan A.J. y Singleton J.C. Neural networks for bond rating improved by multiple hidden layers. Neural networks in Finance and Investing, 1992. [3] Odom M.D. y Sharda R. A neural network model for bankruptcy prediction. Neural networks in Finance and Investing, 163168, 1992. [4] Marose R.A. A nancial neural network application. Neural Networks in Finance and Investing, 5053, 1992. [5] Dutta S. y Shekhar S. Bond rating: a non conservative application of neural networks. Neural Networks in Finance and Investing, 443450, 1992. [6] De Miguel L.J.; Revilla E.; Rodr guez J.M. and Cano J.M. A comparison between statistical and neural network based methods for predicting bank failures. Proceedings of the IIIth International Workshop on Articial Intelligence in Economics and Management, 1993. [7] Serrano Cinca C. y Mart n del Br o B. Predicci on de la quiebra bancaria mediante el empleo de redes neuronales articiales. Revista Espa nola de Financiaci on y Contabilidad, 22(74):153176, 1993. [8] Altman E.I.; Marco G. and Varetto F. Corporate distress diagnosis:comparisons using linear discriminant analysis and neural networks

61

(the Italian experience). Journal of Banking and Finance, 18:505529, 1994. [9] Lacher R.C.; Coats P.K.; Sharma S.C. and Fant L.F. A neural network for classifying the nancial health of a rm. European Journal of Operational Research, 85:5365, 1995. [10] Del Rey Mart nez E. Bankruptcy prediction in non-nance companies: an application based on articial neural network models. Intelligent Systems in Accounting and Finance, 253272, 1996. [11] Greenstein M.M. and Welsh M.J. Bankruptcy prediction using ex-ante neural networks and reallistically proportioned testing sets. Intelligent Systems in Accounting and Finance, 187212, 1996. [12] Soldevilla C. and Guill en M. Consumer credit scoring using articial neural networks. Intelligent Technologies in Accounting and Business, 117128, 1997. [13] Koh H.C. and Tan S.S. A neural network approach to the prediction of going concern status. Accounting and Business Research, 29(3):211216, 1999. [14] Chen, M., Han, J., Yu, P. Data mining: An overview from database perspective. IEEE Transactions on Knowledge and Data Eng , 1996. [15] Haykin S. Neural Networks - A comprehensive foundation IEEE Press - Macmillan College Publishing Company , 1994. [16] Gallant, S. Neural Network Learning and Experts Systems. MIT Press, Cambridge, MA., 1993.

62

Ap endice A Fuente de Datos de los Estados Financieros de las Empresas registradas en la CONASEV
La fuente de datos ser a la p agina web de CONASEV www.conasev.gob.pe. Ver gura A.1. Se ir a al v nculo Informaci on Financiera. entonces ah aparecen todas las empresas registradas en la CONASEV.Ver gura A.2. Por ejemplo seleccionamos AFP HORIZONTE, entonces nos mostrar a sus estados nancieros desde el 2001 hasta el 2006 Luego seleccionamos el hiperv nculo Balance general. Finalmente seleccionamos el hiperv nculo estado de ganancias y P erdidas.

63

Figura A.1: P agina web de CONASEV

64

Figura A.2: Informaci on Financiera por empresa

65

Figura A.3: Informaci on Financiera individual

Figura A.4: Balance general de la empresa seleccionada 66

Figura A.5: Estado de Ganancias y P erdidas de la empresa seleccionada

67

Bibliograf a

68