Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Serrano-Gallizo
Serrano-Gallizo
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
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
Serrano-Gallizo
Serrano-Gallizo
Serrano-Gallizo
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
http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html (12 de 21)14/11/2005 08:19:45 p.m.
Serrano-Gallizo
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
http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html (15 de 21)14/11/2005 08:19:45 p.m.
Serrano-Gallizo
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 268285.
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.
http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html (18 de 21)14/11/2005 08:19:45 p.m.
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.
http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html (19 de 21)14/11/2005 08:19:45 p.m.
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.
http://ciberconta.unizar.es/Biblioteca/0004/SerGall96.html (20 de 21)14/11/2005 08:19:45 p.m.
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.